최근 위치 정보는 산업 자동화, 자율주행, 긴급 구조와 같이 다양한 분야에서 활용되며, 높은 정밀도의 측위 기술은 서비스 품질을 보장하기 위해 필수적이다 (Laoudias et al. 2018). 기존의 실외 환경에서는 Global Navigation Service System (GNSS) 기반의 측위 기술이 핵심적인 기술로 사용되어 왔으며, 자동차 네비게이션 등 다양한 위치 기반 서비스에 효과적으로 적용되어 왔다. 그러나 GNSS 기반의 측위 기술은 도심의 고층 건물 밀집 지역과 같이 위성과의 Line of Sight (LoS)가 보장되지 않는 환경에서는 성능이 현저히 저하되는 한계가 존재한다. 이러한 문제를 해결하기 위하여 무선 통신 신호를 이용한 측위 기술이 대안으로 주목받고 있으며, 특히 5G 이동통신 기술의 발전과 함께 그 중요성이 더욱 부각되고 있다 (Mogyorósi et al. 2022). 이에 따라 무선 이동통신 국제 표준화 단체 3rd Generation Partnership Project (3GPP)에서는 5G New Radio (NR) 규격에 측위를 위한 전용 신호를 새롭게 도입하였으며, 3GPP Release 16에서는 시행 횟수의 80%에 대하여 실외 환경에서 수평 10 m, 수직 3 m 이내의 높은 측위 정확도를 요구하고 있다 (3GPP 2019).

하지만, 무선 통신 환경에서는 장애물에 의하여 신호가 차단되거나 반사되는 Non-Line of Sight (NLoS) 특징으로 인해 Time of Arrival (ToA), Angle of Arrival (AoA)과 같은 측위에 활용되는 측정값 에러가 크게 증가하여 측위 성능이 크게 저하되는 문제점이 있다 (Kirmaz et al. 2023). 이러한 무선 통신 신호 환경을 효과적으로 모델링하기 위해 최근에는 데이터 기반의 Artificial Intelligence (AI) 기법을 적용한 연구가 활발히 진행되고 있으며, 대표적인 사례로는 Convolutional Neural Network (CNN)와 Multi-Layer Perceptron (MLP)을 기반으로 한 무선 통신 측위 기법이 다수 제안되었다. 그러나 이러한 기존 AI 기법들은 무선 통신 환경의 특성을 충분히 반영하지 못하는 근본적인 한계를 지닌다. 예를 들어, CNN의 경우 격자 형태로 구조화된 데이터를 유클리드 공간에서 처리하는 것에 특화되어 있어 NLoS 및 다중 경로의 영향으로 송수신기 간의 관계가 단순한 거리 기반으로 표현되기 어려운 비유클리드적 공간 구조에서는 적합하지 않다. 또한 MLP는 입력 특징들을 독립적으로 처리하기 때문에 무선 채널에서 발생하는 송수신기 간의 복잡한 공간적 관계에 대한 효과적인 학습이 어렵다 (Shen et al. 2023).

이러한 기존 AI 기법들의 한계를 극복하고, 무선 통신 환경의 비유클리드 공간적 특성을 보다 정밀히 모델링하기 위한 대안으로 최근에는 Graph Neural Network (GNN) 기반의 측위 연구가 등장하였다. 그래프 기반의 모델링 기법은 데이터의 형태가 유클리드 공간에 국한되지 않고, 그래프를 구성하는 노드들의 연결 관계를 엣지로 표현하여 송수신기 간의 기하학적 관계와 네트워크 토폴로지를 현실적으로 반영할 수 있다는 장점을 갖는다 (Kipf & Welling 2017, Wu et al. 2020). 이러한 GNN의 구조적 강점을 활용한 무선 통신 기반 측위 연구가 활발히 이루어지고 있다. 예를 들어, Wang et al. (2024)과 Zhang et al. (2025)은 WiFi 신호를 기반으로 복잡한 실내 환경에서도 높은 정확도와 WiFi 기반의 적은 비용으로 효율성을 갖는 위치 추정이 가능함을 입증하였다. 이러한 실내 환경에서는 수십에서 수백 개의 Base Station (BS)을 그래프의 노드로 설정함으로써 노드 간 message passing을 기반으로 학습하는 GNN에 적합한 그래프를 구성하여 높은 위치 추정 정확도를 보일 수 있다. Liang & Meyer (2021), Jung et al. (2024, 2025)의 연구는 BS의 수가 제한되는 상황임에도 다중 단말을 노드로 추가하여 BS 및 다중 단말 간의 협력을 활용한 높은 위치 추정 정확도를 보였다.

그러나 실외 환경에서는 3GPP 38.901 (2025)에서 정의한 바와 같이 Urban Macro cell (UMa)의 셀 간 간격은 500 m, Urban Micro cell (UMi)의 셀 간 간격은 200 m에 이르며, 수십에서 수백 개의 BS가 밀집되는 실내 환경에 비하여 드문 간격의 BS 배치를 보인다. 이러한 특성은 실내 환경에서 가능했던 다수의 BS를 활용한 그래프 구성을 실외 환경에 적용하기에 현실적으로 불가능하게 만든다 . 또한 단말 간의 협력 정보를 이용한 측위는 참여하는 다중 단말 간의 동기화 수준에 의해 성능이 크게 좌우되며, 단말 간 측정 정보 공유 과정에서 프라이버시 침해 및 보안 위협이 발생할 수 있다 (Şahin et al. 2023, Yu et al. 2023). 이와 같은 요인들로 인하여 BS의 수가 제한된 실외 환경에서 단일 단말을 이용한 위치 추정은 적은 수의 노드를 갖게 되며, 이는 message passing 기반의 GNN 학습 구조에 적합하지 않은 그래프를 조성한다 (Jung et al. 2025). 또한 노드 간의 연결성이 부족할 경우 GNN이 송수신기 간의 공간적 관계나 무선 통신 환경의 전역적인 환경 정보를 학습하지 못하여 측위 성능이 크게 저하될 수 있다. 따라서 실외의 제한된 BS 환경에서도 무선 통신 신호에 내재된 공간적 특성을 효과적으로 표현하고 활용할 수 있는 새로운 그래프 구조 모델링 기법의 개발이 필수적이다.

이에 따라 본 논문에서는 5G 네트워크의 multi-beam 특성을 활용하여, 실외 환경에서의 BS 수 제한 문제를 해결할 수 있는 새로운 GNN 기반 측위 기법을 제안한다. 제안 기법의 핵심은 beam Reference Signal Received Power (RSRP) 측정값에 포함된 각도 정보 및 NLoS 경로 특성을 그래프 노드의 feature로 활용함으로써 그래프의 규모를 확장하고, 이를 통해 실외 환경에서 BS 수 제약을 극복하는 데 있다. 단말과 beam 간의 LoS/NLoS 관계를 기반으로 그래프의 엣지를 구성하여 공간적 연관성을 모델링하고, Graph Attention Network (GAT)를 적용하여 각 노드의 특징 벡터를 이웃 노드로부터 전달받은 정보를 이용해 갱신함으로써 LoS 환경에서의 주요 beam 정보에 높은 중요도가 반영되도록 한다 (Veličković et al. 2018). 특히, attention 메커니즘을 통해 이웃 노드의 중요도를 학습 과정에서 동적으로 반영함으로써, 환경 변화나 NLoS 환경에서도 강건성을 확보한다. 이러한 GAT의 구조적 특성은 각 beam의 기여도를 적응적으로 반영하여 측위 정확도를 향상시키는 중요한 역할을 한다. 이를 통해 제한된 수의 BS 환경에서도 충분한 그래프 복잡성을 확보함으로써 높은 측위 정확도를 달성할 수 있다. 마지막으로 실제 환경을 반영한 무선 채널 모델을 기반의 시뮬레이션을 통해 제안 기법의 성능을 정량적으로 분석하고 우수성을 입증한다.

서론에 이어 2장에서는 시스템 모델에 대해 서술하고 3장에서는 beam ID를 활용한 그래프 구성과 GAT 기반 측위 기법에 대해 서술한다. 4장에서 시뮬레이션 환경과 측위 결과 및 분석에 대해 서술하고 5장에서는 결론을 맺는다.